Tổng quan luận án

Luận án tiến sĩ toán học với đề tài "Thời điểm dừng tối ưu cho bài toán quảng cáo và bài toán bán tài sản" được nghiên cứu sinh Nguyễn Thành Trung thực hiện dưới sự hướng dẫn khoa học của PGS. Phan Viết Thư tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội, bảo vệ năm 2020 thuộc chuyên ngành Lý thuyết xác suất và thống kê Toán học (mã số: 9460112.02).

Tính cấp thiết của đề tài bắt nguồn từ vai trò của việc xác định thời điểm dừng trong các quá trình ngẫu nhiên ứng dụng vào kinh tế và quản trị kinh doanh, tiêu biểu là thị trường tài chính, hoạt động đầu tư và các chiến dịch truyền thông quảng bá. Trong các hệ thống chịu tác động của yếu tố bất định, việc kiểm soát và né tránh rủi ro đòi hỏi phải đưa ra quyết định dừng hay tiếp tục một cách phù hợp nhằm tối đa hóa lợi ích kỳ vọng hoặc hạn chế thiệt hại khi vị thế không còn thuận lợi.

Khoảng trống nghiên cứu được luận án chỉ rõ nằm ở phương diện phương pháp luận: các bài toán thời điểm dừng tối ưu truyền thống chủ yếu được tiếp cận thông qua việc giải các phương trình vi phân đạo hàm riêng hoặc các bài toán biên tự do phức tạp, đòi hỏi nhiều giả thiết giải tích ngặt nghèo và khó mở rộng khi dữ liệu biến động liên tục. Để giải quyết khoảng trống này, luận án xây dựng hướng tiếp cận kết hợp giữa giải tích ngẫu nhiên, phương pháp mô phỏng Monte-Carlo và kỹ thuật học máy (mạng nơ-ron nhân tạo nhiều tầng) nhằm xấp xỉ trực tiếp các hàm quyết định và đường bao tối ưu.

Mục tiêu nghiên cứu của luận án bao gồm:

  1. Xây dựng và khảo sát mô hình toán học dưới dạng phương trình vi phân ngẫu nhiên cho bài toán xác định thời điểm dừng chiến dịch quảng cáo và bài toán bán tài sản.
  2. Thiết lập cơ sở toán học cho phương pháp quy nạp ngược và chứng minh các định lý về tính đơn điệu của hàm giá trị mục tiêu khi xấp xỉ thời điểm dừng bằng hàm quyết định.
  3. Thiết kế giải thuật xấp xỉ hàm quyết định dừng bằng mạng nơ-ron truyền thẳng nhiều lớp (Multi-Layer Perceptron - MLP) và thực hiện mô phỏng số trên môi trường lập trình Python để kiểm chứng nghiệm tối ưu.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Quá trình khuếch tán thị phần sản phẩm chịu tác động của truyền thông và hiệu ứng truyền miệng; quá trình biến động giá tài sản với tốc độ tăng trưởng tuân theo xích Markov hai trạng thái; các thời điểm dừng tối ưu và mạng nơ-ron nhân tạo.
  • Phạm vi nghiên cứu: Luận án tập trung vào không gian xác suất đầy đủ với các mô hình ngẫu nhiên thời gian liên tục được rời rạc hóa trên khoảng thời gian hữu hạn $[0, T]$.

Tổng quan tài liệu và vị trí của luận án

Luận án điểm lại lịch sử phát triển của hai mảng lý thuyết chính: lý thuyết giải tích ngẫu nhiên - thời điểm dừng và lý thuyết tính toán nơ-ron nhân tạo.

Về mảng tính toán mạng nơ-ron và học máy:

  • Lịch sử mô hình hóa hoạt động trí tuệ bắt đầu từ các nỗ lực mô phỏng mạng nơ-ron đầu tiên của Nathanial Rochester tại các phòng thí nghiệm của IBM vào đầu thập niên 1950, tiếp nối bởi Hội thảo Dartmouth năm 1956 mở ra kỷ nguyên trí tuệ nhân tạo.
  • Về mặt lý thuyết sinh học và học máy: Friedrich Hayek khẳng định trật tự tự phát trong não từ các mạng phân tán; Donald Hebb (cuối thập niên 1940) đề xuất quy tắc Hebbian learning cho học không giám sát. Frank Rosenblatt phát triển bộ phân loại tuyến tính Perceptron, sau đó bộc lộ hạn chế khi không phân tách được dữ liệu phi tuyến.
  • Các bước phát triển kiến trúc mạng: Cognitron (1975) đại diện cho mạng đa tầng sơ khai; mạng Hopfield (1982) khai thác truyền dữ liệu hai chiều; công trình "Learning Internal Representations by Error Propagation" (1986) của Rumelhart, Hinton và Williams thiết lập thuật toán lan truyền ngược (backpropagation) trên mạng Perceptron đa tầng sử dụng hàm kích hoạt phi tuyến sigmoid.

Về mảng bài toán thời điểm dừng tối ưu:

  • Các nền tảng giải tích ngẫu nhiên, lý thuyết Martingale và bao Snell được hệ thống hóa trong các công trình chuẩn mực của Øksendal [5], Shiryaev [7], [8], Karatzas & Shreve [6], Peskir & Shiryaev [26].
  • Trong mô hình marketing và quảng cáo, luận án kế thừa phương trình vi phân ngẫu nhiên phát triển từ mô hình Bass của Christos V. Nikolopoulos và Athanassios N. Yannacopoulos [15], trong đó mô hình dừng tối ưu được giải bằng phương pháp xấp xỉ biên tự do.
  • Các nghiên cứu tài chính của Shiryaev, Xu, Zhou [16] và các tác giả liên quan [17], [18], [23] giải bài toán thời điểm dừng bán tài sản thông qua phương trình tích phân đường bao $b(t)$ và phép biến đổi độ đo.

Vị trí của luận án: Luận án không đi theo lối mòn giải hệ phương trình vi phân đạo hàm riêng phi tuyến hay phương trình tích phân biên tự do vốn rất phức tạp về mặt giải tích, mà chọn vị trí trung gian liên ngành: sử dụng nguyên lý quy hoạch động kết hợp mô phỏng Monte-Carlo và mạng nơ-ron nhân tạo để học hàm quyết định dừng $\alpha_n(X_n) \in {0, 1}$. Cách tiếp cận này giúp giảm thiểu các giả định toán học khắt khe và cho phép tự động cập nhật trọng số khi có luồng dữ liệu mới.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng khung nghiên cứu dựa trên sự giao thoa giữa giải tích ngẫu nhiên và giải thuật học máy:

Thành phần khung lý thuyết Chi tiết công cụ toán học và thuật toán
Không gian xác suất & Lọc Không gian xác suất đầy đủ $(\Omega, \mathcal{F}, P)$, lọc liên tục phải $(\mathcal{F}t){t \ge 0}$ sinh bởi quá trình ngẫu nhiên nền tảng.
Phương trình vi phân ngẫu nhiên (SDE) Phương trình dạng vi phân $dX_t = b(t, X_t)dt + \sigma(t, X_t)dB_t$; công thức Itô một chiều và nhiều chiều; định lý tồn tại duy nhất nghiệm với điều kiện tăng tuyến tính và Lipschitz.
Thời điểm dừng tối ưu Khái niệm thời điểm Markov, thời điểm dừng $\tau$; hàm giá trị $V^* = \sup_{\tau \in \mathcal{M}} E[G_\tau]$; phương pháp quy nạp ngược thời gian rời rạc qua dãy biến ngẫu nhiên Snell $S_n^N = \max{G_n, E[S_{n+1}^N \mid \mathcal{F}_n]}$.
Mạng nơ-ron truyền thẳng (MLP) Kiến trúc mạng nơ-ron nhiều tầng: tầng vào ($p$ chiều), các tầng ẩn, tầng ra ($q$ chiều); hàm kích hoạt Sigmoid $\sigma(x) = \frac{1}{1 + e^{-x}}$.
Giải thuật tối ưu hóa trọng số Hàm mất mát tổng bình phương sai số (Sum of Squares Error - MSE); thuật toán lan truyền xuôi (feedforward) và lan truyền ngược (backpropagation) dựa trên đạo hàm hàm hợp (chain rule) theo phương pháp hướng giảm gradient (gradient descent).
Môi trường thực nghiệm Ngôn ngữ lập trình Python, thư viện tính toán ma trận số học và giải thuật Monte-Carlo rời rạc hóa miền thời gian.

Nguồn dữ liệu phục vụ nghiên cứu là các quỹ đạo mẫu được sinh ngẫu nhiên thông qua mô phỏng Monte-Carlo dựa trên các phương trình vi phân ngẫu nhiên được rời rạc hóa theo lược đồ Euler-Maruyama với số bước chia thời gian xác định.

Nội dung chính theo từng chương

Chương 1: Kiến thức chuẩn bị

Chương 1 hệ thống hóa toàn bộ các kiến thức giải tích ngẫu nhiên và mạng nơ-ron nhân tạo làm nền tảng cho việc giải quyết các bài toán ở các chương tiếp theo.

  1. Lý thuyết phương trình vi phân ngẫu nhiên và giải tích Itô:

    • Trình bày định nghĩa nghiệm của SDE dưới dạng tích phân $X_t = X_0 + \int_0^t b(s, X_s)ds + \int_0^t \sigma(s, X_s)dB_s$.
    • Thiết lập công thức Itô tổng quát cho quá trình ngẫu nhiên đa chiều: nếu $Y_t = u(t, X_1(t), \dots, X_n(t))$ thì: $$dY_t = \left( u_t + \sum_{i=1}^n u_{x_i} f_i + \frac{1}{2} \sum_{i=1}^n \sum_{j=1}^n u_{x_i x_j} g_i g_j \right) dt + \sum_{i=1}^n u_{x_i} g_i dW_t$$
    • Khảo sát ví dụ chuyển động Brown trên đường tròn đơn vị $Y = (Y_1, Y_2) = (\cos B, \sin B)$ thỏa mãn hệ phương trình vi phân ma trận $dY = -\frac{1}{2}Y dt + KY dB$.
    • Nhắc lại Định lý tồn tại và duy nhất nghiệm của SDE dưới các điều kiện chuẩn Lipschitz và giới hạn tăng trưởng.

  2. Lý thuyết bài toán thời điểm dừng tối ưu:

    • Xét trường hợp thời gian rời rạc: Định nghĩa thời điểm Markov $\tau$ đối với dãy tăng $\sigma$-trường $(\mathcal{F}n)$, tính chất đóng qua các phép toán $\min, \max, \inf, \sup$. Xây dựng hàm giá trị $V_n^N = \sup{n \le \tau \le N} E[G_\tau]$ và giải quyết bằng phương pháp quy nạp ngược xây dựng dãy $S_n^N$. Chứng minh tính tối ưu của thời điểm dừng $\tau_n^N = \inf{n \le k \le N : S_k^N = G_k}$.
    • Xét trường hợp thời gian liên tục: Khái niệm lọc liên tục phải, bao Snell $S_t = \text{ess sup}{\tau \ge t} E[G\tau \mid \mathcal{F}_t]$ và định lý về tính tối ưu của $\tau_t = \inf{s \ge t : S_s = G_s}$.

  3. Tổng quan mạng nơ-ron và cài đặt trên Python:

    • Phân tích cấu trúc nơ-ron sinh học (dendrites, thân tế bào, axon, synapse) và tương quan với mô hình nơ-ron nhân tạo gồm: tập đầu vào, trọng số liên kết $w_i$, bộ tổng $\sum w_i x_i$, độ lệch (bias) $b$, hàm truyền phi tuyến và đầu ra.
    • Trình bày ba phương pháp học: học có giám sát, học không giám sát và học tăng cường (học thưởng-phạt).
    • Xây dựng lớp lập trình NeuralNetwork trên Python với cấu trúc hai lớp, hàm kích hoạt sigmoid, hàm mất mát $\text{Loss}(y, \hat{y}) = \sum (y - \hat{y})^2$. Dẫn xuất công thức cập nhật trọng số lan truyền ngược qua quy tắc chuỗi: $$\frac{\partial \text{Loss}}{\partial W} = 2(y - \hat{y}) \cdot z(1 - z) \cdot x$$
    • Thực nghiệm huấn luyện với 1500 vòng lặp cho thấy sai số hội tụ về giá trị thực tế của tập dữ liệu mẫu.

Chương 2: Thời điểm dừng tối ưu cho bài toán quảng cáo

Chương 2 giải quyết trọn vẹn bài toán xác định thời điểm dừng tối ưu cho một chiến dịch quảng cáo sản phẩm mới thâm nhập thị trường.

  1. Xây dựng mô hình toán học:

    • Gọi $N$ là tổng dung lượng thị trường (dân số), $n(t)$ là số khách hàng tiềm năng tại thời điểm $t$. Phương trình động học khuếch tán: $$\frac{dn(t)}{dt} = E(N - n(t)) + M n(t)(N - n(t))$$ với $E$ là hiệu quả truyền thông đại chúng và $M$ là chất lượng sản phẩm dẫn dắt hiệu ứng truyền miệng.
    • Chuẩn hóa thị phần $X(t) = \frac{n(t)}{N} \in [0, 1]$, đặt $b = MN$. Tách tham số $E$ thành phần tất định $a$ và thành phần nhiễu ngẫu nhiên $\sigma a dW(t)$, thu được SDE mô tả thị phần: $$dX(t) = [a(1 - X(t)) + bX(t)(1 - X(t))]dt + \sigma a (1 - X(t))dW(t)$$
    • Bài toán đặt ra là tìm thời điểm dừng $\tau^$ để tối đa hóa kỳ vọng hàm mục tiêu $g(t, X_t)$: $$f(\tau^, X_{\tau^*}) = \sup_{\tau \in \mathcal{T}} E[g(\tau, X_\tau)]$$

  2. Giải giải tích mô hình SDE:

    • Chuyển đổi phương trình vi phân ngẫu nhiên của $X(t)$ về phương trình vi phân phi tuyến dạng Riccati đối với quá trình $Z(t)$: $$dZ(t) = [\alpha Z^2(t) + \beta Z(t)]dt + \lambda Z(t)dW(t)$$
    • Sử dụng các bổ đề giải tích giải phương trình vi phân ngẫu nhiên tuyến tính để tìm nghiệm giải tích tường minh cho quá trình qua tích phân ngẫu nhiên liên quan đến hàm cơ sở $\varphi(t) = \exp\left{\left(a_1 - \frac{b_1^2}{2}\right)t + b_1 W(t)\right}$.

  3. Thuật toán xấp xỉ bằng mạng nơ-ron và nguyên lý quy hoạch động:

    • Rời rạc hóa khoảng thời gian $[0, T]$ thành $N+1$ điểm chia $0 = t_0 < t_1 < \dots < t_N = T$ theo lược đồ Euler.
    • Biểu diễn thời điểm dừng $\tau_n$ thông qua họ các hàm quyết định nhị phân $\alpha_k(X_k) \in {0, 1}$ (với $\alpha_k = 1$ là dừng, $0$ là tiếp tục): $$\tau_n = \sum_{k=n}^N k \alpha_k(X_k) \prod_{j=n}^{k-1} (1 - \alpha_j(X_j))$$
    • Áp dụng quy hoạch động giải ngược từ $\tau_N = N$. Tại bước $n$, quyết định phụ thuộc vào việc so sánh giữa giá trị tức thời $g(n, X_n)$ và kỳ vọng tiếp tục $m_n(X_n) = E[g(\tau_{n+1}, X_{\tau_{n+1}}) \mid X_n]$, xác định tập dừng $D = {g(n, X_n) > m_n(X_n)}$ và tập tiếp tục $D^c = {g(n, X_n) \le m_n(X_n)}$.
    • Định lý 2.2: Chứng minh tính hội tụ và đơn điệu của sai số cực đại khi lùi bước quy hoạch động: $$V_n - E[g(\tau_n, X_{\tau_n})] \le V_{n+1} - E[g(\tau_{n+1}, X_{\tau_{n+1}})]$$
    • Huấn luyện mạng nơ-ron MLP để xấp xỉ hàm quyết định $\alpha_n(X_n)$. Kết quả mô phỏng số cho thấy trên các quỹ đạo ngẫu nhiên khác nhau, mạng nơ-ron nhận diện chính xác các thời điểm dừng tối ưu như $\tau^* = 137$, $\tau^* = 266$, $\tau^* = 324$ tương ứng với mức thị phần đạt ngưỡng tối ưu.

Chương 3: Thời điểm dừng tối ưu cho bài toán bán tài sản

Chương 3 tập trung vào bài toán tìm thời điểm dừng tối ưu để thực hiện giao dịch bán tài sản tài chính nhằm thu về lợi nhuận tối đa trong điều kiện xu hướng giá thay đổi ngẫu nhiên.

  1. Mô hình toán học quá trình giá và tốc độ tăng trưởng Markov:
    • Xét mô hình giá tài sản với tốc độ tăng trưởng (độ trượt/drift) không cố định mà là một quá trình Markov rời rạc nhận hai trạng thái: trạng thái tăng giá ($a_h$) và trạng thái giảm giá ($a_l$).
    • Phân bố ban đầu của độ trượt được cho trong Bảng 3.1 của luận án:
Trạng thái độ trượt Ký hiệu tham số Ý nghĩa kinh tế
Tốc độ tăng cao $a_h$ Thị trường trong pha tăng trưởng mạnh, xu hướng giá đi lên
Tốc độ tăng thấp / giảm $a_l$ Thị trường trong pha suy thoái hoặc điều chỉnh giá đi xuống

  1. Quá trình xác suất hậu nghiệm và đường bao tối ưu:

    • Do nhà đầu tư không quan sát trực tiếp được trạng thái thực của độ trượt mà chỉ quan sát được quỹ đạo giá, bài toán quy về việc theo dõi quá trình xác suất hậu nghiệm (xác suất có điều kiện để độ trượt đang ở trạng thái tăng giá dựa trên thông tin lọc $\mathcal{F}_t$).
    • Lời giải lý thuyết xác định rằng thời điểm dừng tối ưu xuất hiện khi quá trình xác suất hậu nghiệm vượt qua một đường bao ngưỡng nhất định.

  2. Xấp xỉ đường bao tối ưu bằng mạng nơ-ron:

    • Luận án ứng dụng mạng nơ-ron nhiều tầng để xấp xỉ đường bao quyết định bán tài sản thay cho việc giải phương trình tích phân phi tuyến phức tạp.
    • Mạng nơ-ron nhận đầu vào là các đặc trưng của quỹ đạo giá và xác suất hậu nghiệm, đưa ra quyết định bán ($\alpha = 1$) hoặc tiếp tục giữ tài sản ($\alpha = 0$).
    • Kết quả mô phỏng số trên dữ liệu thực nghiệm kiểm chứng tính khả thi của mô hình, xác định thời điểm và mức giá bán tối ưu tại các mẫu mô phỏng như $\tau_B = 120$ và $\tau_B = 300$, bảo toàn lợi nhuận trước khi thị trường đảo chiều sang trạng thái giảm giá.

Kết quả và những đóng góp mới

Luận án đạt được những kết quả cụ thể sau:

  1. Đóng góp về mặt lý thuyết toán học:

    • Thiết lập thành công mô hình phương trình vi phân ngẫu nhiên mô tả thị phần quảng cáo kết hợp cả hai yếu tố truyền thông đại chúng và hiệu ứng truyền miệng với nhiễu ngẫu nhiên tỷ lệ.
    • Tìm ra nghiệm giải tích cho lớp phương trình vi phân ngẫu nhiên dạng Riccati tương ứng thông qua các bổ đề biến đổi tuyến tính.
    • Chứng minh chặt chẽ Định lý 2.2 khẳng định sau mỗi bước lùi của thuật toán quy hoạch động, kỳ vọng của hàm mục tiêu qua xấp xỉ hàm quyết định nhị phân tiến gần hơn đến giá trị cực đại lý thuyết.

  2. Đóng góp về mặt phương pháp luận và thuật toán:

    • Đề xuất quy trình tích hợp giữa mô phỏng Monte-Carlo, giải tích ngẫu nhiên và mạng nơ-ron nhân tạo MLP để giải bài toán thời điểm dừng tối ưu.
    • Xây dựng giải thuật biểu diễn hàm quyết định dừng dưới dạng mạng nơ-ron phân loại nhị phân ${0, 1}$, giải quyết khó khăn tính toán của các bài toán biên tự do truyền thống.

  3. Đóng góp về ứng dụng thực tiễn:

    • Cung cấp công cụ tính toán tự động bằng mã lệnh Python, có khả năng thích ứng và học lại khi có dữ liệu thị trường mới.
    • Đưa ra lời giải định lượng giúp doanh nghiệp xác định thời điểm kết thúc chiến dịch quảng cáo hợp lý và giúp nhà đầu tư xác định thời điểm bán tài sản tối ưu.

Các kết quả nghiên cứu chính của luận án đã được công bố trong 03 công trình khoa học chuyên ngành ([CT1], [CT2], [CT3]).

Hạn chế và hướng nghiên cứu tiếp

Theo nội dung luận án trình bày:

  • Hạn chế:
    • Mô hình quảng cáo mới chỉ khảo sát cho trường hợp sản phẩm đơn lẻ với cấu trúc hàm mục tiêu liên tục xác định trên miền thời gian hữu hạn.
    • Mô hình bán tài sản mới xét trường hợp độ trượt biến thiên theo xích Markov hai trạng thái rời rạc; chưa mở rộng cho trường hợp không gian trạng thái liên tục hoặc có bước nhảy (jump diffusion).
    • Thuật toán học mạng nơ-ron trong phần thực nghiệm chủ yếu sử dụng phương pháp hướng giảm gradient cơ bản với hàm kích hoạt sigmoid.
  • Hướng nghiên cứu tiếp được tác giả nêu ra:
    • Nghiên cứu và thử nghiệm các thuật toán huấn luyện mạng nơ-ron khác nhau (như các biến thể nâng cao của gradient descent, mạng nơ-ron tích chập hoặc mạng nơ-ron hồi quy) để so sánh hiệu năng và lựa chọn mô hình tối ưu cho từng dạng bài toán cụ thể.
    • Mở rộng ứng dụng thuật toán sang các bài toán thực tế phức tạp hơn như nhận dạng chữ viết tay, nhận dạng hình ảnh và các bài toán phân tích chuỗi thời gian tài chính đa chiều.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao đối với:

  1. Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Toán ứng dụng, Lý thuyết xác suất và Thống kê toán học: Cung cấp khung lý thuyết hoàn chỉnh về phương trình vi phân ngẫu nhiên, công thức Itô, lý thuyết bao Snell và phương pháp chứng minh quy nạp ngược trong thời điểm dừng tối ưu.
  2. Các nhà nghiên cứu trong lĩnh vực Khoa học dữ liệu và Trí tuệ nhân tạo: Cung cấp tài liệu tham khảo chi tiết về việc xây dựng mạng nơ-ron từ bản chất giải tích đạo hàm đến cài đặt thuật toán thuần túy bằng ngôn ngữ Python (Chương 1).
  3. Chuyên viên định lượng tài chính (Quantitative Analyst) và chuyên gia hoạch định chiến lược tiếp thị: Cung cấp mô hình định lượng xác định ngưỡng dừng chiến dịch quảng cáo và ngưỡng bán chốt lời tài sản dựa trên dữ liệu mô phỏng ngẫu nhiên (Chương 2 và Chương 3).

Câu hỏi thường gặp

1. Điểm khác biệt cốt lõi giữa phương pháp tiếp cận của luận án và các phương pháp giải bài toán thời điểm dừng truyền thống là gì?
Các phương pháp truyền thống giải bài toán thời điểm dừng tối ưu thông qua việc đổi độ đo martingale và giải hệ phương trình vi phân đạo hàm riêng hoặc phương trình tích phân biên tự do rất phức tạp. Luận án sử dụng hướng tiếp cận học máy: rời rạc hóa thời gian, áp dụng quy hoạch động ngược và dùng mạng nơ-ron nhiều lớp để xấp xỉ trực tiếp hàm quyết định nhị phân $\alpha_n(X_n) \in {0, 1}$.

2. Phương trình vi phân ngẫu nhiên mô tả thị phần quảng cáo trong Chương 2 được thiết lập như thế nào?
Phương trình được xây dựng từ mô hình Bass: $\frac{dn(t)}{dt} = E(N - n(t)) + Mn(t)(N - n(t))$, trong đó $n(t)$ là số khách hàng, $N$ là tổng dân số, $E$ là hiệu quả truyền thông, $M$ là hiệu quả truyền miệng. Khi chuẩn hóa thị phần $X(t) = \frac{n(t)}{N}$ và đưa nhiễu ngẫu nhiên vào tham số truyền thông $E = a + \sigma a dW(t)$, ta thu được SDE: $dX(t) = [a(1 - X(t)) + bX(t)(1 - X(t))]dt + \sigma a(1 - X(t))dW(t)$ với $b = MN$.

3. Nội dung cốt lõi của Định lý 2.2 trong Chương 2 là gì?
Định lý 2.2 chứng minh rằng khi thực hiện quy hoạch động lùi từ bước $n+1$ về bước $n$ với thời điểm dừng $\tau_n = n\alpha_n(X_n) + \tau_{n+1}(1 - \alpha_n(X_n))$, sai số giữa giá trị tối ưu lý thuyết $V_n$ và kỳ vọng đạt được thỏa mãn bất đẳng thức $V_n - E[g(\tau_n, X_{\tau_n})] \le V_{n+1} - E[g(\tau_{n+1}, X_{\tau_{n+1}})]$, khẳng định thuật toán lùi bước làm tăng độ chuẩn xác tiệm cận đến nghiệm tối ưu.

4. Trong bài toán bán tài sản ở Chương 3, yếu tố ngẫu nhiên nào điều khiển tốc độ tăng giá của tài sản?
Tốc độ tăng giá (độ trượt) của tài sản được mô hình hóa bằng một quá trình Markov rời rạc hai trạng thái: trạng thái tăng giá nhanh ($a_h$) và trạng thái tăng giá chậm/giảm giá ($a_l$). Quyết định bán tài sản được kích hoạt khi quá trình xác suất hậu nghiệm vượt qua ngưỡng đường bao tối ưu được xấp xỉ bởi mạng nơ-ron.

5. Luận án sử dụng công cụ và ngôn ngữ lập trình nào để mô phỏng thuật toán mạng nơ-ron?
Luận án sử dụng ngôn ngữ lập trình Python để tự xây dựng lớp NeuralNetwork từ đầu, cài đặt trực tiếp các hàm toán học cho quá trình lan truyền tiến (feedforward), hàm kích hoạt sigmoid, hàm mất mát tổng bình phương sai số và thuật toán lan truyền ngược (backpropagation) theo phương pháp hướng giảm gradient.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thành Trung đã giải quyết bài toán thời điểm dừng tối ưu trong hai ứng dụng kinh tế cụ thể là chiến dịch quảng cáo và bán tài sản tài chính thông qua việc kết hợp giữa giải tích ngẫu nhiên và mạng nơ-ron nhân tạo. Tác giả đã thiết lập các phương trình vi phân ngẫu nhiên tương ứng, chứng minh định lý toán học bảo đảm tính đơn điệu của giải thuật quy hoạch động và xấp xỉ thành công hàm quyết định dừng bằng mạng MLP. Các kết quả mô phỏng số trên môi trường Python đã xác nhận tính đúng đắn của phương pháp đề xuất, mở ra hướng nghiên cứu ứng dụng học máy vào lý thuyết quá trình ngẫu nhiên hiện đại.